[논문 리뷰] Variational quantum generators: Generative adversarial quantum machine learning for continuous distributions

Jonathan Romero, Alán Aspuru‐Guzik|arXiv (Cornell University)|2019. 01. 03.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 연속적인 고전적 확률 분포를 학습하기 위해 변분 양자 회로를 사용하는 하이브리드 양자-고전적 생성 모델을 제안한다. 고전적 또는 양자적 판별기와 함께 생성적 적대학습을 통해 최적화되는 양자 인코더와 훈련 가능한 변분 회로를 활용함으로써, 이 프레임워크는 목표 분포와 일치하는 샘플을 성공적으로 생성하였으며, 이는 근접한 양자 장치에서의 실현 가능성을 보여준다.

ABSTRACT

We propose a hybrid quantum-classical approach to model continuous classical probability distributions using a variational quantum circuit. The architecture of the variational circuit consists of two parts: a quantum circuit employed to encode a classical random variable into a quantum state, called the quantum encoder, and a variational circuit whose parameters are optimized to mimic a target probability distribution. Samples are generated by measuring the expectation values of a set of operators chosen at the beginning of the calculation. Our quantum generator can be complemented with a classical function, such as a neural network, as part of the classical post-processing. We demonstrate the application of the quantum variational generator using a generative adversarial learning approach, where the quantum generator is trained via its interaction with a discriminator model that compares the generated samples with those coming from the real data distribution. We show that our quantum generator is able to learn target probability distributions using either a classical neural network or a variational quantum circuit as the discriminator. Our implementation takes advantage of automatic differentiation tools to perform the optimization of the variational circuits employed. The framework presented here for the design and implementation of variational quantum generators can serve as a blueprint for designing hybrid quantum-classical architectures for other machine learning tasks on near-term quantum devices.

연구 동기 및 목표

• 근접한 양자 하드웨어에서 연속적인 고전적 확률 분포를 학습할 수 있는 양자 생성 모델을 개발하는 것.
• 변분 양자 회로를 고전적 또는 양자적 판별기와 함께 생성적 적대학습 프레임워크에 통합하는 것.
• 하이브리드 양자-고전적 아키텍처에서 자동 미분 도구를 사용해 효율적인 파라미터 최적화를 가능하게 하는 것.
• NISQ 장치에서 실용적인 기계학습 작업을 위한 양자 변분 생성기의 실현 가능성을 입증하는 것.

제안 방법

• 파라미터화된 게이트를 통해 고전적 난수 변수를 양자 상태로 인코딩하기 위해 변분 양자 회로를 양자 생성기로 사용한다.
• 생성기의 파라미터는 실제 데이터 샘플과 생성된 샘플을 구분하는 판별기를 통해 최적화된다.
• 판별기는 고전적 신경망 또는 변분 양자 회로로 구현될 수 있어, 완전한 양자-고전적 또는 완전한 양자 판별기를 가능하게 한다.
• 상태 준비 후 정의된 관측량의 기대값을 측정하여 샘플을 생성한다.
• 변분 회로의 파라미터 최적화를 위해 기울기를 효율적으로 계산하기 위해 자동 미분을 사용한다.
• 프레임워크는 고전적 후처리를 지원하여 신경망과 같은 고전적 모델과의 통합을 가능하게 하여 생성 성능를 향상시킨다.

실험 결과

연구 질문

• RQ1 변분 양자 회로가 연속적인 고전적 확률 분포를 효과적으로 모델링할 수 있는가?
• RQ2 적대적 학습을 통해 훈련된 양자 생성기가 목표 확률 분포를 얼마나 잘 재현하는가?
• RQ3 판별기로 고전적 신경망을 사용할 때와 양자 회로를 사용할 때의 성능 차이는 어떠한가?
• RQ4 자기 미분이 하이브리드 양자-고전자 설정에서 양자 생성기 파라미터의 효과적인 최적화를 가능하게 하는가?
• RQ5 이 프레임워크는 NISQ 장치에서 다른 양자 기계학습 작업으로 얼마나 넓게 확장될 수 있는가?

주요 결과

• 양자 생성기는 고전적 및 양자적 판별기를 모두 사용하여 목표 연속 확률 분포를 성공적으로 학습하였다.
• 자기 미분를 통한 적대적 최적화를 통해 효과적인 훈련과 샘플 생성이 가능하였다.
• 고전적 후처리의 통합은 양자 생성기의 유연성과 성능을 향상시켰다.
• 제한된 큐비트 수와 얽힘 시간을 가진 근접한 양자 장치에서 생성 모델링의 실현 가능성을 입증하였다.
• 생성 모델링을 넘어서 하이브리드 양자-고전적 기계학습에 대한 확장 가능한 청사진을 제공하였다.
• 방법론은 변분 양자 회로가 복잡한 연속 분포를 효과적으로 인코딩하고 생성할 수 있으며, 특정 벤치마크에서 고전적 생성 모델과 견줄 만한 성능을 보임을 보여주었다.